Python 决策树调参

系列文章目录

https://www.jianshu.com/p/1f20e2362676
https://blog.csdn.net/linzhjbtx/article/details/85722187
https://www.cnblogs.com/chenyaling/p/7236435.html
https://bluebird.blog.csdn.net/article/details/98595483

---

---

决策树简介

决策树概念：决策树(Decision Trees)是一种非参监督学习方法，即没有固定的参数，对数据进行分类或回归学习。决策树的目标是从已知数据中学习得到一套规则，能够通过简单的规则判断，对未知数据进行预测。这里我们只讨论决策树分类的功能。

决策树组成：根节点、非叶子节点（也叫决策点、子节点、内部节点）、分支（有向边）、叶子节点（叶节点）。其中非叶子节点是一个分支的终点，无法继续分离。

决策流程：所有的数据，从根节点开始，根据某一特征的条件进行分配，进入不同的子节点，不断递归，最终到达叶子节点停止。例如下图是一个判断一家人谁爱玩游戏的决策树。

---

一、参数

参数	参数名称	参数解释
criterion	特征选择标准	【entropy, gini】。默认gini，即CART算法。前者是基尼系数，后者是信息熵。两种算法差异不大对准确率无影响，信息墒运算效率低一点，因为它有对数运算.一般说使用默认的基尼系数”gini”就可以了，即CART算法。除非你更喜欢类似ID3, C4.5的最优特征选择方法。
splitter	特征划分标准	【best, random】。best在所有的特征中找出最优的划分点，random在部分特种中随机找局部最优的划分点。默认的‘best’适合样本量不大的时候，而如果样本数据量非常大，此时决策树构建推荐‘random’。
max_depth	决策树最大深度	1、防止过拟合。 2、默认值是‘None’。一般数据比较少或者特征少的时候可以不用管这个值，如果模型样本数量多，特征也多时，推荐限制这个最大深度，具体取值取决于数据的分布。常用的可以取值10-100之间，常用来解决过拟合。
min_samples_split	内部节点再划分所需最小样本数（即判再划分断条件）	1、【int, float】。默认值为2，如果是int，则取传入值本身作为最小样本数；如果是float，则取ceil(min_samples_split*样本数量)作为最小样本数（向上取整）。 2、如果某节点的样本数少于min_samples_split，则不会继续再尝试选择最优特征来进行划分。划分得越多，越准确，但是过拟合的可能越大。如果样本量不大，不需要管这个值。如果样本量数量级非常大，则推荐增大这个值。
min_samples_leaf	叶子节点最少样本数	1、如果是int，则取传入值本身作为最小样本数；如果是float，则取ceil(min_samples_leaf*样本数量)的值作为最小样本数。这个值限制了叶子节点最少的样本数，如果某叶子节点数目小于样本数，则会和兄弟节点一起被剪枝。 2、如果样本量不大，不需要管这个值，大些如10W可是尝试下5
min_weight_fraction_leaf	叶子节点最小的样本权重和	1、这个值限制了叶子节点所有样本权重和的最小值，如果小于这个值，则会和兄弟节点一起被剪枝。默认是0，就是不考虑权重问题，所有样本的权重相同。 2、一般来说，如果我们有较多样本有缺失值，或者分类树样本的分布类别偏差很大，就会引入样本权重，这时我们就要注意这个值了。
max_features	特征数量	默认是None（所有），可选参数还有log2，sqrt，N ， 特征小于50的时候一般使用所有的
max_leaf_nodes	最大叶子节点数	通过设置最大叶子节点数，可以防止过拟合。默认值None，默认情况下不设置最大叶子节点数。如果加了限制，算法会建立在最大叶子节点数内最优的决策树。如果特征不多，可以不考虑这个值，但是如果特征多，可以加限制，具体的值可以通过交叉验证得到。
min_impurity_decrease	节点划分最小不纯度	默认值为‘0’。限制决策树的增长，节点的不纯度（基尼系数，信息增益，均方差，绝对差）必须大于这个阈值，否则该节点不再生成子节点。
class_weight	类别权重	1、【dict, list of dicts, balanced】，默认为None。（不适用于回归树，sklearn.tree.DecisionTreeRegressor） 2、指定样本各类别的权重，主要是为了防止训练集某些类别的样本过多，导致训练的决策树过于偏向这些类别。balanced，算法自己计算权重，样本量少的类别所对应的样本权重会更高。如果样本类别分布没有明显的偏倚，则可以不管这个参数。
presort	预分数据来加快树的构建	默认是False，表示在进行拟合之前，是否预分数据来加快树的构建。对于数据集非常庞大的分类，presort=true将导致整个分类变得缓慢；当数据集较小，且树的深度有限制，presort=true才会加速分类。
random_state	随机种子

二、常用函数

解释	函数
训练（拟合）	fit(train_x, train_y)
预测	predict(x)   返回标签 predict_log_proba(x)、predict_proba(x)  返回概率，每个点的概率和为1，一般取predict_proba(x)[:, 1]
评分（返回平均准确度）	score(test_x, test_y)，等效于准确率accuracy_score
获取分类器的参数	get_params([deep])
设置分类器的参数	set_params(params) print(clf.get_params()) ，clf.set_params(*)
返回每个样本被预测为叶子的索引	apply(x[, check_input])
返回树的决策路径	decision_path(x[, check_input])
获取决策树的深度	get_depth()
获取决策树的叶子节点数	get_n_leaves()

三、模型调参注意事项

1、当样本少数量但是样本特征非常多的时候，决策树很容易过拟合，一般来说，样本数比特征数多一些会比较容易建立健壮的模型

2、如果样本数量少但是样本特征非常多，在拟合决策树模型前，推荐先做维度规约，比如主成分分析（PCA），特征选择（Losso）或者独立成分分析（ICA）。这样特征的维度会大大减小。再来拟合决策树模型效果会好。

3、推荐多用决策树的可视化，同时先限制决策树的深度（比如最多3层），这样可以先观察下生成的决策树里数据的初步拟合情况，然后再决定是否要增加深度。

4、在训练模型先，注意观察样本的类别情况（主要指分类树），如果类别分布非常不均匀，就要考虑用class_weight来限制模型过于偏向样本多的类别。

5、决策树的数组使用的是numpy的float32类型，如果训练数据不是这样的格式，算法会先做copy再运行。

6、如果输入的样本矩阵是稀疏的，推荐在拟合前调用csc_matrix稀疏化，在预测前调用csr_matrix稀疏化。

---

总结

如果使用默认DecisionTreeClassifier的参数，得到的AUC较低，很可能是因为出现过拟合，需调整默认参数，避免过拟合。